一种基于图像搜索的在线人脸聚类方法技术

本发明专利技术公开了一种基于图像搜索的在线人脸聚类方法，包括：获取已经聚类分组为多个类别的已归档人像图片和新的人像图片；利用已训练好的卷积神经网络模型针对已归档人像图片和新的人像图片提取人脸特征，然后将提取的人脸特征输入到数据库中；在数据库中对人脸特征向量进行类中心特征检索；基于类中心特征检索的结果判定人脸图像所属的类别并归档到数据库中。与现有技术相比，本发明专利技术可以实现快速的在线类中心计算以及人脸聚类。

【技术实现步骤摘要】
一种基于图像搜索的在线人脸聚类方法
本专利技术涉及计算机视觉、图像处理领域，特别是一种基于图像搜索的在线人脸聚类方法。
技术介绍
人脸识别技术近年无论是在学术界还是在视频监控、公共安全、门禁认证等领域，其研究和应用的表现已达到了较高的水平。而如何针对如此庞大的人脸数据库更好地赋能公共安全服务，以及如何利用这些信息资源将人脸识别准确率提升到一个新的水平，是目前存在的两个非常具有挑战性的任务。因此，有效利用未标记的人脸数据成为一种有吸引力的选择，即为无监督人脸聚类算法。人脸聚类分析旨在通过人脸之间的相似度，将庞大的人脸图像聚集成若干簇，即将未标记的数据利用为“伪类”的一种自然想法，使得这些数据可以像被标记的数据一样用于监督学习。常用的方法有K-means(K均值)聚类、谱聚类、层次聚类等方法，对未标记的人脸图像进行分组，这些方法有各自的优点但也有很多不足之处。例如，K-means方法需要预设聚类个数，即需要假定数据可能的类别数量，但实际积累的数据集中类中心数量是完全不确定的，比如谱聚类要求聚类的不同类别大小相对平衡，但实际并非如此。因此，当本文档来自技高网...

【技术保护点】
1.一种基于图像搜索的在线人脸聚类方法，其特征在于，包括以下步骤：/nS1、获取已经聚类分组为多个类别的已归档人像图片和新的人像图片；/nS2、利用已训练好的卷积神经网络模型针对已归档人像图片和新的人像图片提取人脸特征，然后将提取的人脸特征输入到数据库中；/nS3、在数据库中对人脸特征向量进行类中心特征检索；/nS4、基于类中心特征检索的结果判定人脸图像所属的类别并归档到数据库中。/n

【技术特征摘要】
1.一种基于图像搜索的在线人脸聚类方法，其特征在于，包括以下步骤：
S1、获取已经聚类分组为多个类别的已归档人像图片和新的人像图片；
S2、利用已训练好的卷积神经网络模型针对已归档人像图片和新的人像图片提取人脸特征，然后将提取的人脸特征输入到数据库中；
S3、在数据库中对人脸特征向量进行类中心特征检索；
S4、基于类中心特征检索的结果判定人脸图像所属的类别并归档到数据库中。


2.根据权利要求1所述的基于图像搜索的在线人脸聚类方法，其特征在于，所述S2中利用已训练好的卷积神经网络模型提取已归档人像图片和新的人像图片的人脸特征向量具体包括：
S21、截取已归档人像图片和新的人像图片中的人脸图像；
S22、对人脸图像进行人脸关键点检测，并进行人脸矫正；
S23、将矫正后的人脸图像输入到已训练好的卷积神经网络模型，输出多维的人脸特征向量。


3.根据权利要求2所述的基于图像搜索的在线人脸聚类方法，其特征在于，所述S3具体包括：
S31、采用特征加权方式计算类中心特征：设每个类别中的人脸特征集合为Fn＝{f1，f2，…fn}，则相应类别的类中心特征计算方法如式(1)所示：



其中：fi表示一个类别中的第i个人脸特征；wi表示第i个人脸特征的权重；
S32、采用量化特征类中心计算上述类中心特征：
设每个人脸特征的权重为w＝{w1，w2，...，wn}，该类别的人脸特征集合为f＝{f1，f2，...，fn}，将特征值量化为：1→1，0→-1；然后计算权重，第i维中心特征为：
fcen(i)＝w1·f1(i)+w2·f2(i)+…+wn·fn(i)＝w1-w2+…+wn(2)；
最终，获得量化的特征类中心特征为
S33、计算每个类别中的人脸特征的两两相似度，以其相似度得分构建相似度矩阵，得到相似得分矩阵后，计算新的人脸图像的人脸特征与该类别下其他人脸特征的平均相似度，计算公式如式(3)：



其中，Si，j表示第i和第j个特征的相似度；
S34、将计算结果按相似度进行排序，选取相似度最高的类别作为候选...

【专利技术属性】
技术研发人员：张振斌，陈杰，
申请(专利权)人：博云视觉北京科技有限公司，
类型：发明
国别省市：北京;11